طبقه‌بندی اتوماتیک سلول‌های هوایی ماستوئید طبیعی و غیرطبیعی از روی تصاویر سی‌تی‌اسکن با روش یادگیری عمیق
Abstract
ناهنجاری‌های ماستوئیدی انواع مختلفی از بیماری‌های گوش را نشان می‌دهند، زمان بر بودن و دقت پایین در تشخیص برخی از ماستوئید های غیرطبیعی کوچک، رویکرد جدیدی را برای تشخیص این ناهنجاری‌ها و کاهش خطاهای انسانی می‌طلبد. معایب عمده آنالیز دستی سی‌تی‌اسکن ماستوئید، وقت‌گیر بودن و داشتن خطا است. این مطالعه مدلی را برای تشخیص ناهنجاری‌های ماستوئید بر اساس رویکردهای یادگیری عمیق با استفاده از یک پایگاه داده بزرگ از تصاویر سی تی به‌دست‌آمده در مرکز بالینی با دقت بالا برای اولین بار ارائه می‌دهد.
مواد و روش‌ها:
در این مطالعه، مجموعه داده مورداستفاده شامل 24800 اسلاید سی‌تی‌اسکن (ماستوئید راست و چپ) از 152 بیمار مراجعه‌کننده به مرکز تصویربرداری گلگشت تبریز به درخواست متخصص گوش و حلق و بینی هست که شامل سلول‌های هوایی ماستوئید است که از بالاترین تا پایین‌ترین قسمت حفره گوش را شامل می‌شود.
این طرح در دو بخش کلی انجام گرفت:
1) طبقه‌بندی سلول‌های هوایی ماستوئید سالم و غیرسالم (2 کلاسه)
2) طبقه‌بندی سلول‌های هوایی ماستوئید سالم و 4 نوع غیرسالم (5 کلاسه)
در بخش اول یک روش قوی مبتنی بر لایه‌های کانولوشن و شبکه عصبی عمیق برای طبقه‌بندی سلول‌های هوای ماستوئید طبیعی و غیرطبیعی معرفی‌شده است که نتایج بهتری نسبت به شبکه‌های معروفی چون ResNet و AlexNetرا ارائه کرده است.
در بخش دوم طیف وسیعی از انواع معماری‌های مختلف با روش‌های بهینه‌سازی مختلف برای طبقه‌بندی تصاویر CT اسکن ماستوئید طبیعی و چهار نوع مختلف غیرطبیعی استفاده گردید و بهترین نوع معماری و تابع بهینه‌ساز با بالاترین درصد ازنظر میزان صحت انتخاب گردید.
یافته‌ها:
در بخش اول، روش طبقه‌بندی و تشخیص کاملاً خودکار پیشنهادی در مقایسه با طبقه‌بندی دستی متخصص گوش و حلق و بینی، نتیجه کاملاً کارآمدتر و سریع‌تری را ارائه می‌دهد. در الگوریتم ارائه داده‌شده معیارهای ارزیابی دقت، امتیازاف1، صحت و بازیابی به ترتیب 98.10%، 98.05%، 98.32%، 97.89% بود (به‌طور میانگین در اعتبارسنجی متقاطع پنج برابری) که نسبت به نتایج به‌دست‌آمده از شبکه رزنت بیشتر بوده و مشکل بیش برازش نیز برطرف شده است.
در بخش دوم، طبقه‌بندی 5 کلاسه با معماری Xception و با تابع هزینه Adamax ، به‌طور میانگین با صحت 70/87% به دست آمد که این میزان بالاترین مقدار در مقایسه با سایر معماری‌ها و توابع هست.
نتیجه‌گیری:
تجزیه‌وتحلیل دستی سی‌تی‌اسکن حفره گوش به دلیل مطالعات مختلف تنوع بین اپراتور یا درون اپراتور اغلب وقت‌گیر و مستعد خطا است. روش پیشنهادی می‌تواند برای تجزیه‌وتحلیل خودکار حفره گوش میانی برای طبقه‌بندی ناهنجاری‌های ماستوئید مورداستفاده قرار گیرد، که به‌طور قابل‌توجهی سریع‌تر از تشخیص دستی بوده، امکان خطا بسیار پایین و نتایج به‌دست‌آمده در طبقه‌بندی دو کلاسه نسبت به شبکه ResNet و AlexNetدقیق‌تر بودند. در طبقه‌بندی پنج کلاسه نیز معماری Xception با تابع هزینه Adamax بهترین عملکرد را از خود نشان داد.